語音識別_語音識別芯片 -簡介

語音識別芯片也叫語音識別IC，與傳統(tǒng)的語音芯片相比，語音識別芯片最大的特點就是能夠語音識別，它能讓機器聽懂人類的語音，并且可以根據(jù)命令執(zhí)行各種動作，如眨眼睛、動嘴巴（智能娃娃）。除此之外，語音識別芯片還具有高品質(zhì)、高壓縮率錄音放音功能，可實現(xiàn)人機對話。

語音識別芯片所涉及的技術包括：信號處理、模式識別、概率論和信息論、發(fā)聲機理和聽覺機理、人工智能等等。

語音識別_語音識別芯片 -語音識別芯片分類

按照使用者的限制而言，語音識別芯片可以分為特定人語音識別芯片和非特定人語音識別芯片。

特定人語音識別芯片是針對指定人的語音識別，其他人的話玩具不識別，須先把使用者的語音參考樣本存入當成比對的資料庫，即特定人語音識別在使用前必須要進行語音訓練，一般按照機器提示訓練2遍語音詞條即可使用。

非特定人語音識別是不用針對指定的人的識別技術，不分年齡、性別，只要說相同語言就可以，應用模式是在產(chǎn)品定型前按照確定的十幾個語音交互詞條，采集200人左右的聲音樣本，經(jīng)過PC算法處理得到交互詞條的語音模型和特征數(shù)據(jù)庫，然后燒錄到芯片上。應用這種芯片的機器（智能娃娃、電子寵物、兒童電腦）就具有交互功能了。

非特定人語音識別應用有的是基于音素的算法，這種模式下不需要采集很多人的聲音樣本就可以做交互識別，但是缺點是識別率不高，識別性能不穩(wěn)定。

按照說話方式的連續(xù)性，語音識別芯片又可分為非連續(xù)語音識別和連續(xù)語音識別。

對于非連續(xù)語音來說，識別所說的每一個字必須分開辨認，要求說完每個字后都要停頓。

連續(xù)語音識別可以一般自然流利的說話方式來進行人性化的語音識別，但由于關系到相連音的問題，很難達到好的辨認效果。

語音識別_語音識別芯片 -基本原理

嵌入式語音識別系統(tǒng)都采用了模式匹配的原理。錄入的語音信號首先經(jīng)過預處理，包括語音信號的采樣、反混疊濾波、語音增強，接下來是特征提取，用以從語音信號波形中提取一組或幾組能夠描述語音信號特征的參數(shù)。特征提取之后的數(shù)據(jù)一般分為兩個步驟，第一步是系統(tǒng)“學習”或“訓練”階段，這一階段的任務是構建參考模式庫，詞表中每個詞對應一個參考模式，它由這個詞重復發(fā)音多遍，再經(jīng)特征提取和某種訓練中得到。第二是“識別”或“測試”階段，按照一定的準則求取待測語音特征參數(shù)和語音信息與模式庫中相應模板之間的失真測度，最匹配的就是識別結果。

語音識別_語音識別芯片 -語音識別系統(tǒng)的結構

一個完整的基于統(tǒng)計的語音識別系統(tǒng)可大致分為三部分：

(1)語音信號預處理與特征提??；(2)聲學模型與模式匹配；(3)語言模型與語言處理

選擇識別單元是語音識別研究的第一步。語音識別單元有單詞（句）、音節(jié)和音素三種，具體選擇哪一種，由具體的研究任務決定。

單詞（句）單元廣泛應用于中小詞匯語音識別系統(tǒng)，但不適合大詞匯系統(tǒng)，原因在于模型庫太龐大，訓練模型任務繁重，模型匹配算法復雜，難以滿足實時性要求。

音節(jié)單元多見于漢語語音識別，主要因為漢語是單音節(jié)結構的語言，而英語是多音節(jié)，并且漢語雖然有大約1300個音節(jié)，但若不考慮聲調(diào)，約有408個無調(diào)音節(jié)，數(shù)量相對較少。因此，對于中、大詞匯量漢語語音識別系統(tǒng)來說，以音節(jié)為識別單元基本是可行的。

音素單元以前多見于英語語音識別的研究中，但目前中、大詞匯量漢語語音識別系統(tǒng)也在越來越多地采用。原因在于漢語音節(jié)僅由聲母（包括零聲母有22個）和韻母（共有28個）構成，且聲韻母聲學特性相差很大。實際應用中常把聲母依后續(xù)韻母的不同而構成細化聲母，這樣雖然增加了模型數(shù)目，但提高了易混淆音節(jié)的區(qū)分能力。由于協(xié)同發(fā)音的影響，音素單元不穩(wěn)定，所以如何獲得穩(wěn)定的音素單元，還有待研究。 語音識別一個根本的問題是合理的選用特征。特征參數(shù)提取的目的是對語音信號進行分析處理，去掉與語音識別無關的冗余信息，獲得影響語音識別的重要信息，同時對語音信號進行壓縮。在實際應用中，語音信號的壓縮率介于10-100之間。語音信號包含了大量各種不同的信息，提取哪些信息，用哪種方式提取，需要綜合考慮各方面的因素，如成本，性能，響應時間，計算量等。非特定人語音識別系統(tǒng)一般側重提取反映語義的特征參數(shù)，盡量去除說話人的個人信息；而特定人語音識別系統(tǒng)則希望在提取反映語義的特征參數(shù)的同時，盡量也包含說話人的個人信息。

線性預測（LP）分析技術是目前應用廣泛的特征參數(shù)提取技術，許多成功的應用系統(tǒng)都采用基于LP技術提取的倒譜參數(shù)。但線性預測模型是純數(shù)學模型，沒有考慮人類聽覺系統(tǒng)對語音的處理特點。

Mel參數(shù)和基于感知線性預測（PLP）分析提取的感知線性預測倒譜，在一定程度上模擬了人耳對語音的處理特點，應用了人耳聽覺感知方面的一些研究成果。實驗證明，采用這種技術，語音識別系統(tǒng)的性能有一定提高。從目前使用的情況來看，梅爾刻度式倒頻譜參數(shù)已逐漸取代原本常用的線性預測編碼導出的倒頻譜參數(shù)，原因是它考慮了人類發(fā)聲與接收聲音的特性，具有更好的魯棒性（Robustness）。

也有研究者嘗試把小波分析技術應用于特征提取，但目前性能難以與上述技術相比，有待進一步研究。

聲學模型通常是將獲取的語音特征使用訓練算法進行訓練后產(chǎn)生。在識別時將輸入的語音特征同聲學模型（模式）進行匹配與比較，得到最佳的識別結果。

聲學模型是識別系統(tǒng)的底層模型，并且是語音識別系統(tǒng)中最關鍵的一部分。聲學模型的目的是提供一種有效的方法計算語音的特征矢量序列和每個發(fā)音模板之間的距離。聲學模型的設計和語言發(fā)音特點密切相關。聲學模型單元大小（字發(fā)音模型、半音節(jié)模型或音素模型）對語音訓練數(shù)據(jù)量大小、系統(tǒng)識別率，以及靈活性有較大的影響。必須根據(jù)不同語言的特點、識別系統(tǒng)詞匯量的大小決定識別單元的大小。

以漢語為例：

漢語按音素的發(fā)音特征分類分為輔音、單元音、復元音、復鼻尾音四種，按音節(jié)結構分類為聲母和韻母。并且由音素構成聲母或韻母。有時，將含有聲調(diào)的韻母稱為調(diào)母。由單個調(diào)母或由聲母與調(diào)母拼音成為音節(jié)。漢語的一個音節(jié)就是漢語一個字的音，即音節(jié)字。由音節(jié)字構成詞，最后再由詞構成句子。

漢語聲母共有22個，其中包括零聲母，韻母共有38個。按音素分類，漢語輔音共有22個，單元音13個，復元音13個，復鼻尾音16個。

目前常用的聲學模型基元為聲韻母、音節(jié)或詞，根據(jù)實現(xiàn)目的不同來選取不同的基元。漢語加上語氣詞共有412個音節(jié)，包括輕音字，共有1282個有調(diào)音節(jié)字，所以當在小詞匯表孤立詞語音識別時常選用詞作為基元，在大詞匯表語音識別時常采用音節(jié)或聲韻母建模，而在連續(xù)語音識別時，由于協(xié)同發(fā)音的影響，常采用聲韻母建模。

基于統(tǒng)計的語音識別模型常用的就是HMM模型λ(N,M,π,A,B)，涉及到HMM模型的相關理論包括模型的結構選取、模型的初始化、模型參數(shù)的重估以及相應的識別算法等。

語言模型包括由識別語音命令構成的語法網(wǎng)絡或由統(tǒng)計方法構成的語言模型，語言處理可以進行語法、語義分析。

語言模型對中、大詞匯量的語音識別系統(tǒng)特別重要。當分類發(fā)生錯誤時可以根據(jù)語言學模型、語法結構、語義學進行判斷糾正，特別是一些同音字則必須通過上下文結構才能確定詞義。語言學理論包括語義結構、語法規(guī)則、語言的數(shù)學描述模型等有關方面。目前比較成功的語言模型通常是采用統(tǒng)計語法的語言模型與基于規(guī)則語法結構命令語言模型。語法結構可以限定不同詞之間的相互連接關系，減少了識別系統(tǒng)的搜索空間，這有利于提高系統(tǒng)的識別。

語音識別_語音識別芯片 -語音識別系統(tǒng)設計

對于嵌入式系統(tǒng)而言，語音識別硬件組成要考慮很多其它因素，首先由于成本的限制，一般使用定點DSP，這意味著算法的復雜度受到限制；其次，對產(chǎn)品化有各種嚴格的限制，這就需要一個高度集成的硬件DSP，因此最理想的硬件組成是系統(tǒng)級的芯片。

一般采用的是一個16位結構的微控制器，將MCU、A/D、D/A、RAM、ROM集成在一塊芯片上，具有很高的集成度。同時具有較高運算速度的16×16位的乘法語音和內(nèi)積運算指令，CPU最高可達時鐘49MHz，因此在復雜的數(shù)字信號處理方面既非常便利又比專用的DSP芯片便宜得多。并具有12位ADC，和14位DAC保證音頻精度，配置帶自動增益控制（AGC）的麥克風輸入方式，為語音處理帶來了極大的方便。既具有體積小、集成度高、可靠性好的特點，又具有較強的中斷處理能力、高性能的價格比和功能強、效率高的指令系統(tǒng)及低功耗、低電壓的特點，所以非常適合用于嵌入式語音識別系統(tǒng)。

以SR160X為核心的嵌入式語音識別系統(tǒng)硬件的電路系統(tǒng)，主要包括麥克風輸入電路、ADC、DAC、功放輸出電路、鍵盤電路和各種通信電路等，語音保存到SPI Flash存儲器中。

非特定人語音識別要經(jīng)過語音訓練后才能識別，將語音訓練過程中建立的參考模式庫和從待識別語音信號中提取的特征參數(shù)都存放在外擴的SPI Flash中，這樣就可以保證掉電后重新開機繼續(xù)識別。語音識別系統(tǒng)軟件主程序由語音訓練程序、語音識別程序、語音播放程序、中斷程序、初始化程序等子程序組成。由于嵌入式平臺存儲資源少、實時性要求高的特點，因此算法在保證識別效果的前提下要盡可能優(yōu)化。

軟件包括A/D變換、預加重、分幀和加窗、端點檢測、特征參數(shù)提取、放寬端點限制的DTW算法，最后識別結果輸出。

在應用層軟件考慮到用戶的實際需求，增加了能快速開發(fā)的虛擬軟件開發(fā)技術，能快速完成產(chǎn)品。

愛華網(wǎng)本文地址 » http://www.klfzs.com/a/8103560103/137447.html